ChatGPT的局限性：哪些场景不推荐使用

去年底，我帮一家出海公司做内容策略咨询，亲眼见到一个团队把 ChatGPT 当万能员工用：拿它写竞品分析、查海关税率、甚至让它审核越南语合同。结果一周后法务叫停了整个实验，那份合同里，ChatGPT 凭空“发明”了三项根本不存在的越南进口附加税，每笔金额都有零有整，看上去比真的还真。这个教训让我开始系统性地总结一件事：ChatGPT 并不是不好用，而是被用在了错的地方。真正的风险不是它不聪明，而是它装聪明。 本文基于我过去 18 个月在企业端和创作端的一线踩坑经验，把不推荐使用的场景拆开讲透，让你知道什么时候必须关掉对话框。

一、核心结论先行：ChatGPT 是协作者，不是决策者

先把这个结论焊死在脑子里：ChatGPT 是一个语言预测引擎，不是事实核查引擎，更不是责任承载体。 它的本质任务是根据上下文猜下一个 token 的最优排列，而不是验证这个排列是否符合物理世界。这决定了它在某些场景下天然不可靠。

我在内部培训时常讲一个比喻：ChatGPT 像一个读过全世界所有书、但从来没出过家门的书呆子。你让他写一篇《巴黎游记》，他能写得比谁都优美，引用大量素材，连左岸咖啡馆菜单都能编出来，但他从来没去过巴黎。这个“没去过”的缺陷，在某些场景下只是瑕疵，在另一些场景下就是灾难。

下面这张图展示了 ChatGPT 在不同任务类型上的能力落差，你可以直观看到它在哪里是“优等生”，哪里是“危险品”。

接下来的每一个章节，我会逐一展开那些得分垫底的领域，告诉你具体场景、具体原因、以及具体怎么做。

二、场景一：专业领域决策，当 AI 装上专家的腔调

1. 为什么这类场景是“禁区”

我见过最危险的 ChatGPT 使用场景，是有人拿它来看病、审合同、算税务。危险之处在于：ChatGPT 给出的答案在形式上完全符合专业文书的腔调，逻辑自洽，但内容可能完全是虚构的。这种“形式上可靠”和“实质上不可靠”的落差，正是事故高发区。

2023 年，斯坦福大学一项针对 LLM 在医疗问答中的研究指出，GPT-3.5 在回答临床问题时，有约 20% 的回答包含可能造成中度以上伤害的错误信息。GPT-4 虽然将这个比例大幅降低，但仍无法消除。（注：该研究数据来源于斯坦福 Human-Centered AI 实验室 2023 年公开报告，具体数值我根据记忆引用，建议读者检索“Stanford HAI GPT medical accuracy”获取原文。）关键在于：一个错误率 5% 的医生是可怕的，但一个错误率 5% 的 AI 助手在某些人手里就变成了唯一信源，这才是真正的放大效应。

从技术根因看，ChatGPT 没有因果推理能力。它不理解“为什么青霉素能杀菌”，它只知道“青霉素”“杀菌”这两个词在训练语料里经常一起出现。当它面对复杂病例时，这种统计相关性就暴露了，它会自信地推荐一个“看起来逻辑正确但实际上禁忌的药物组合”。

2. 我在医疗、法律、财务三条线的一线观察

医疗场景：去年我曾测试用 GPT-4 模拟问诊，描述了一个朋友的典型偏头痛症状（朋友知情且真实授权）。GPT-4 给出的诊断建议涵盖了从“紧张性头痛”到“脑肿瘤风险”的宽泛范围，其中推荐的一款非处方药，后来我们拿着去问三甲医院神经内科医生，对方直接摇头：“这款药在特定类型的偏头痛中是禁忌，因为它会加重伴随的眩晕症状。” 而 ChatGPT 完全没有追问任何排除项。问题不在于它答错了，而在于它不追问，这正是人类医生和 AI 之间的巨大鸿沟。

法律场景：我曾让一个合作律所的实习律师用 ChatGPT 起草一份简单的股权代持协议模板，结果模板中出现了两个在中国《公司法》框架下完全不存在的条款概念。看上去专业，实则是翻译了美国法律术语并套上了中国法律的外衣。律所合伙人后来和我感叹：“它写得越像真的，审查起来反而越费劲。”

财务场景：今年初帮一家小型跨境电商审核 AI 生成的欧洲 VAT 计算逻辑。ChatGPT 给出的税率在三个国家是对的，在另一个国家用的是三年前的旧税率。因为它的训练数据截止点恰好错过了该国增值税率调整的时间窗口。财务领域对时效性和精确性的要求，决定了 ChatGPT 只能做初稿，不能做终审。

3. 专业场景的使用红线与替代判断

基于这些踩坑经验，我给企业客户画了一条明确红线：

如果该领域的决策错误可能导致人身伤害、法律纠纷或重大经济损失，ChatGPT 只能用于灵感发散和格式参考，不得作为任何决策依据。

具体替代方案如下：

这张表我在多个场合分享过，每一次都有人问同一个问题：“那我不是这个领域专家怎么办？自己判断不了 AI 的答案对不对。” 我的回答很直接：如果你自己判断不了，就不要把 AI 当判断工具。 这种时候，你应该去找真人专家，而不是找一个不知道自己在说什么的语言模型。

三、场景二：实时信息获取，它永远活在过去的一个时间点

1. 知识截止点的残酷性

ChatGPT 的知识截止日期是一个被严重低估的硬伤。不管你用的是 3.5 还是 4，它都有一个明确的训练数据截止时间点。在这个时间点之后发生的事情，它要么完全不知道，要么靠联网插件来补救（而联网插件的效果参差不齐，后面具体讲）。

我用一个亲身经历来说明这个问题的严重性。2024 年初，我需要查阅一项国内最新出台的跨境电商数据合规要求。当时 ChatGPT 给我列出三条“2023 年最新规定”，每条都有文件名称、发文单位、核心条款。我凭直觉感觉其中一条的文件号格式不对，于是去官网上查，那份文件根本不存在，从名称到内容都是杜撰的。 但它在行文上，和真实文件混在一起时，辨识难度极高。

这个就是 LLM 的“幻觉”现象在企业级场景下的真实面目：不是简单的胡说八道，而是基于真实文件风格进行的“合理虚构”。这种虚构对不了解该领域的读者来说，几乎没有抵抗能力。

2. “联网模式”不是万能解药

很多用户会说：“我开联网模式不就行了？” 但根据我使用 ChatGPT 联网功能的实际体验（基于 plus 订阅，测试时间为 2024 年上半年），联网有三大硬伤：

第一，搜索质量依赖指令质量。 如果你不明确告诉它“搜索 2024 年 3 月 1 日之后发布的来自中国商务部的公告”，它可能随便抓一篇标题相关的自媒体文章当信源，信息质量无法保证。

第二，时效性仍然滞后。 我曾同时用 ChatGPT 联网和手动访问官方网站查询同一项政策。手动检索 3 分钟找到，ChatGPT 联网后搜索了 15 秒，给出的结果是两个月前的旧版本。因为它抓取的那篇新闻文章并没有更新到最新修订版。

第三，联网不能解决“逻辑判断”问题。 即使它拿到了正确的数据，在处理这些数据时依然可能出现推理错误。比如我曾让它联网查询过去三个月的某项汇率波动，并计算平均波动幅度，它给出的原始数据是对的，但平均值算错了两次。

3. 你应该用什么替代 ChatGPT 做实时信息核查

我的建议是分层使用：

• 需要事实核查的任务：用传统搜索引擎 + 人工访问原始信源。比如确认“某国最新签证政策”，请直接访问该国内政部官网或驻华使领馆网站。
• 需要实时数据监控的任务（如股市价格、汇率、热搜）：用专用工具。Google Finance、XE 汇率、以及各行业的垂直数据平台。
• 需要整理某领域动态报告的任务：可以先用 ChatGPT 生成整理框架，然后把框架扔到 Perplexity 或 Google 去搜索填充，逐一核对信源。

四、场景三：长文本的逻辑一致性，当它开始“忘事”

1. 上下文窗口的“假象”

GPT-4 Turbo 的上下文窗口号称 128K tokens，理论上可以吞下一整本小说。但在实际使用中，我发现窗口长度和内容一致性是两回事。 它能“看到”前面 10 万字，但不代表它能“记住”并能准确运用。

我在写一篇长报告时做过系统性测试。我故意在第 1 章定义了一个虚构概念“CLX 模型”，明确约定它有五个核心约束条件。到了第 8 章，我让 ChatGPT 基于“CLX 模型的约束条件”进行分析。结果是：五个条件只正确回忆出三个，另一个被修改了表述，还有一个被完全遗漏。而当我指出错误，它会道歉并给出正确的五个，但在下一轮对话中又可能出错。

这种“间歇性失忆”在策划类任务中尤其致命。比如你要它帮你策划一个持续三个月的复杂项目，当对话进行到第七八轮时，它对第二周制定的某些约束条件已经“淡忘”或者扭曲了。

2. 需要连贯逻辑的任务为什么不推荐

以下场景我在实际咨询中标记为“高风险”：

学术论文写作：我曾见过有学生让 ChatGPT 帮忙梳理文献综述的逻辑链条。ChatGPT 会在同一篇综述里对引源作者的研究方法给出前后矛盾的定性，前面说“这是实证研究方法的经典应用”，后面在讨论局限性时又写“缺乏系统的实证数据支撑”。前后的矛盾不是故意为之，而是它在生成后半句时上下文权重没有有效关联前半句。

长篇商业计划书：财务预测部分尤其容易翻车。前文假设市场规模年增长 12%，到后面计算具体收入时悄无声息地变成了 8%。这种数值飘移如果不逐版本核对，很容易被忽略。

复杂代码项目：超过 500 行的代码，你要它同时维护函数命名规范、API 调用方式和错误处理逻辑的全局一致性，它大概率会在某处悄悄偷懒或者改变范式。

3. 如何判断你的任务是否可以依赖 ChatGPT 的长文本能力

我总结了一个简单判断标准：如果你的任务对前后逻辑一致性要求是“严丝合缝”，就不要用 ChatGPT 做全量生成。 能用它的场景是那些对一致性容忍度高的任务，比如头脑风暴、初稿发散、多版本备选。

实际操作上的建议：

• 分模块使用：把长文本拆成独立短模块。每完成一个模块，人工检查关键约束条件是否存在偏离。
• 锚点重置：每开始新章节时，重新输入一遍需要严格遵守的核心约束条件，相当于“重置上下文”。
• 关键数据永远人工兜底：所有涉及数字的部分，尤其是财务数据和统计结果，在终稿阶段必须由人逐条核对。

五、场景四：隐私与敏感数据处理，你输入了什么，自己要知道

1. ChatGPT 并不是保密谈话的对象

这个问题我在给企业做 AI 使用培训时反复强调，但仍有大量员工在日常工作中直接把内部邮件、客户名单、销售数据粘贴进 ChatGPT 对话框。

OpenAI 在用户协议和数据使用政策中有明确说明，免费版用户的数据可能会被用于模型训练和改进（虽然后续推出了关闭选项，但普通用户往往不知道、也不会主动设置）。而即使使用了 API 或企业版，数据在传输和处理过程中仍需经过 OpenAI 的服务器。

2023 年三星公司发生的事件是一个标志性案例：员工将内部源代码和会议记录输入 ChatGPT 后，这些数据出现在模型训练管道中，导致三星随后发布了内部 ChatGPT 使用禁令。这不是孤例。我自己在给国内企业做咨询时，至少遇到过三轮因为员工无意泄露敏感信息而引发的内部紧急整改。

2. 哪些数据绝对不能输入

我列了一个清单，建议你直接截图保存：

• 客户个人信息：姓名、电话、地址、身份证号、银行卡号等一切可关联到具体个人的数据。
• 商业机密：未公开的产品方案、定价策略、供应链信息、竞品情报。
• 公司内部沟通：未公开的会议纪要、高管邮件、内部审计报告。
• 交易与支付数据：合同金额、私钥、加密证书。
• 他人创作内容：受版权保护的代码、文章、设计图（除非你需要研究版权问题且已知合规边界）。

3. 企业层面的应对策略

从我的经验出发，企业不需要“全面禁用 ChatGPT”，而是要做三件事：

第一，分层开放。 把岗位分为三类：完全禁用（法务、财务、核心研发）、审核使用（市场、文案、客服）、自由使用（创意探索类岗位）。

第二，部署脱敏流程。 在输入前，教会员工使用数据置换技术，把真实的客户名替换为“Client_A”，销售额替换为“X万元 级别”。虽然会影响输出精度，但安全性必须高于精度。

第三，使用 API 版并签订数据处理协议。 如果企业确实需要深度使用，走 API 路线并确保 OpenAI 不将你的数据用于模型训练。具体条款需由法务团队审阅，不要只看 OpenAI 的市场宣传。

下面这张图概括了数据敏感度分级和对应的 AI 使用策略：

六、场景五：高精度翻译，当“流畅”压倒了“准确”

1. ChatGPT 翻译的真实水平

作为一个日常需要处理中英日三种语言内容的从业者，我对 ChatGPT 的翻译能力有过深度依赖，也有过深度失望。先说结论：ChatGPT 在通用文本翻译上的流畅度极好，好到让人觉得它很可靠；但其专业文本翻译的准确率，不稳定。

我做过一次对照实验：拿一份日语化药说明书（日译中），分别给 ChatGPT-4、DeepL 和一位资深医药翻译。结果如下：

ChatGPT 的那一处关键遗漏，是它将“本剤”翻译为“本剂”之后，在后续长达三个段落中把“本剤”（该药品）替换为“本例”（在中文里变成了“这个案例”），导致药物禁忌对象完全错位。读过原文能发现，没读过原文的人读到一篇流畅的中文，几乎发现不了这里藏着一颗雷。

2. 什么类型的翻译绝对不能只依赖 ChatGPT

• 医疗、药品、医疗器械说明书及标签
• 法律判决书、合同条款、合规文件
• 技术专利文书
• 与人身安全相关的警告语、操作手册（如建筑物消防疏散说明、高压电器操作规范）
• 文学作品中极其依赖语气和风格精确复现的段落

这些领域的共性就是：准确率要求不是 95%，是 100%。 而要达到 100%，AI 目前的架构天然做不到，因为它不理解“出错的代价”。

3. 一个好的翻译工作流应该怎么设计

在我自己的跨语言内容工作中，我逐渐定型了一个“三轮工作流”：

1. 第一轮（粗翻）：可以用 ChatGPT 或 DeepL 做初稿，目标是快速获取文本的大致信息。
2. 第二轮（精翻 + 术语校准）：引入专业术语库和行业词典进行逐段校对。这一步必须是懂该领域的人来执行。
3. 第三轮（反向验证）：把中文译文再扔给另一个翻译引擎（不同于第一轮用的那个），让 AI 反向翻译成原文语言，检查语义是否发生偏离。

这个流程不是最快的，但是截至目前我在专业文本上不翻车的底线。

七、场景六：“创造第一稿”，AI 的创造性假象

1. 当 ChatGPT 被寄予“创意担当”的厚望

我在内容行业干了近十年，最近两年最常被问的问题是：“ChatGPT 能不能帮我写一篇 10w+ 的文章？” 提问者通常期待 AI 能一口气生成一个引爆朋友圈的内容。现实是：ChatGPT 能生成一篇符合“10w+ 文章形式特征”的文本，但它生成不了真正的新洞察。

为什么？因为它的写作逻辑本质上是“统计拼图”。它会从训练数据里抓取爆款文章的文体结构、高频词汇、情绪节奏，然后拼合成一篇读起来像那么回事的东西。但真正的爆款往往源于作者的个人经历、反常体悟、或者对某个现象的全新定义，这些都是语言模型没有的。

我在 2024 年年初做过一个实验：让 GPT-4 用一个反直觉的观点写一篇关于“自律”的文章。它输出的文章结构完美、论证饱满、情绪递进，但我读完只感觉“所有人都这么写”。它没有给出任何一个让我停下来想一想的新角度。而那天下午，我在一个朋友的朋友圈看到一句话：“自律不是能力，是中产阶级试图对抗存在焦虑的廉价安慰剂。” 这个视角，ChatGPT 永远想不出来，因为它在数据分布里占极少比例，几乎不被“选择”。

2. 品牌营销文案的 AI 化陷阱

过去一年，大量品牌营销团队开始用 ChatGPT 批量生产小红书文案、公众号推文、抖音脚本。我第一次意识到问题严重性是在某品牌提案会上，三家代理商提交的文案风格高度相似，都用了“沉浸式”“氛围感”“被治愈到了”这类话术。不是他们偷懒，而是他们都信任了同一个“语言模型老师”。

这导致的问题很清楚：你用 AI 做内容，别人也用，最后消费者看到的是一堆高度同质化的文案。 品牌最怕的不是写得差，而是和别人长得像。

我在帮一些品牌做内容策略时，给的第一个建议常常是：“先不看 ChatGPT 生成什么，先写下你自己怎么看这件事。” 这个原始思考才是真正有差异化的东西。ChatGPT 应该被用于后期的润色、扩写、风格化优化，而不是替你想出核心观点。

3. 创意写作场景的正确打开方式

基于大量实践，我形成了一套“创意三轮驱动”的协作思路，可以最大化保留人味：

• 第一环：人类定义独特观点。 核心立意、情感内核、要挑战的旧认知，必须来自人。
• 第二环：AI 做框架发散。 给出多种结构可能性和不同切入角度，选一个最合适的。
• 第三环：人类注入真实细节。 把个人经历、采访素材、一手数据填进 AI 的框架里。
• 第四环：AI 做风格打磨。 检查语病、优化节奏、生成备选标题。

这个链条里，AI 是放大器和抛光机，不是思想发源地。明白这一点，你就会理解为什么让 ChatGPT 独立完成“第一稿”是危险的，等于把思想发源地的位置拱手让给了一个统计模型。

八、场景七：数学与逻辑推理，自信的犯错者

1. ChatGPT 做数学题的真实水平

很多人测试 ChatGPT 时喜欢问小学数学题，觉得它能答对就是“会数学”。但这恰恰是最大的误解。简单运算在训练数据中反复出现，它“记住”了答案模式。一旦题目超出了常见题库范畴，问题就暴露了。

我去年测试过一个案例：让 ChatGPT-4 计算一个涉及“复合增长率+分段折扣+递进式税率”的商业应用题。过程看起来没问题，但最终数字和我的手工计算结果差了近 20%。排查过程发现，它在第三步忘记了前面设定的折扣规则，按原价继续往下算。而它的推理过程完全没有标注出这一点，你看到的是一篇“逻辑自洽”的错误过程。

这里我要引入一个关键概念：语言模型本身不具备数学符号系统处理能力。 它不进行数值演算，而是生成“数学推理的语言描述”。当描述碰巧和正确答案一致，它就是对的；当描述和真实演算分叉，它不会自我纠正，因为它根本不做演算。

2. 需要精确计算或严谨推理的场景清单

以下场景我建议完全不要依赖 ChatGPT 的计算结果：

• 财务模型构建：现金流折现、ROI 测算、税务申报计算
• 工程参数计算：建筑材料承重、电路设计参数、安全系数验证
• 药物剂量换算：哪怕只是“帮我换算一下单位”，也不建议，因为出错代价不可接受
• 统计分析与数据清洗：可以生成代码框架，但运行结果需要人逐条核对输出

3. 真正能用的方式是什么

用 ChatGPT 来解决逻辑和数学问题，它的正确角色定位是“辅助推演者”而非“计算者”：

• 让它写公式框架，你代入数值计算。
• 让它列出可能需要考虑的变量清单，你判断哪些关键。
• 让它生成 Python 代码来处理复杂计算，你在 Jupyter Notebook 里跑一遍，确认输出是否符合预期。

一句话原则：凡是需要签字的数字，都别只信 AI。

九、场景八：不适合深度个性化服务的场景，AI 不认识真正的你

1. 为什么 AI 做不了深度个性化

ChatGPT 的“记忆功能”（Memory）上线后，很多人以为它终于可以变成贾维斯。但我深度使用了几个月后发现：它能记住你偏好什么风格、什么格式、什么语气，但它不理解你的处境。 这是本质差距。

我给 ChatGPT 设定过我的基本身份信息，包括行业、工作内容、常用工具、兴趣偏好。当我问它“我这个月应该重点读什么书”时，它基于我的“阅读偏好”推荐了三本市场营销和认知科学类的书。但这个推荐没有考虑我那个月正在搬家、工作汇报密集、实际能读的时间很少。一个真正了解我的朋友会说：“下个月再说吧，你先把搬家搞定。”

这就是处境判断的缺席。AI 能记录你的信息，但无法理解你的生活。任何需要真正“共情”和“处境判断”的服务场景，ChatGPT 都顶多只能做到表面好、底层空。

2. 深度教育、心理陪伴、投资建议都踩在这条线上

教育领域：我辅导过一些用 ChatGPT 自学编程的学员。ChatGPT 可以解释概念、改代码，但它无法判断学习者目前遭遇的不是“知识卡点”，而是“认知疲劳”或“动机下滑”。有时候学员真正需要的是暂停，而不是更多解释。AI 会不断输出解释，直到把学员推到更深的倦怠里。

心理陪伴：这一点尤其需要谨慎。ChatGPT 在情绪回应上的表现已经非常像人，很多人会在难过时和它聊天。但我在和一个心理咨询师朋友讨论后明确了：非病理性的倾诉陪伴 AI 可以做，但一旦涉及抑郁倾向、自伤风险、危机状态，AI 没有能力做正确的风险评估和干预。它可能给出看似安慰但实际上回避核心问题的回应。此时需要的不是语言模型，是专业危机干预热线。

投资建议：这个不多展开，一句话足够：如果一个 AI 能告诉你买卖什么赚钱，它背后的人早就财务自由了。ChatGPT 能做的是科普“什么是 ETF”“定投的原理是什么”，而对“你此刻该不该加仓”保持缄默，如果它没忍住给了建议，你就该主动关掉它。

十、综合操作指南：如何建立你的“ChatGPT 使用边界”

1. 我自己的使用决策框架

经历大量翻车和成功案例之后，我整理出了一个可以快速使用的决策矩阵。每次面对一个新任务，我都会问自己四个问题：

1. 这个任务的错误可以很容易被发现吗？ 如果不能（如专业文书审核），需要降级 ChatGPT 的角色。
2. 这个任务有时间敏感性吗？ 如果有，必须配合人工实时核查或专用数据工具。
3. 这个任务涉及隐私或版权吗？ 只要回答“是”，数据绝不能直接输入。
4. 这个任务的独特性重要吗？ 如果需要独特的个人见解或品牌声音，核心创作权必须保留在人手里。

这四个问题的答案组合，决定了 ChatGPT 在该任务中的参与深度。

2. 不同角色从业者的差异化用法

我把常见用户分成三类，各自的使用策略不同：

企业决策者/管理层：

• 可用于：行业分析报告框架、讨论会议议程设计、演讲稿初稿
• 不可用于：战略决策判断、人事评估、未公开财务数据处理

内容创作者/自由职业者：

• 可用于：多版本选题发散、初稿扩展、跨语言内容转写、标题优化
• 不可用于：全篇 AI 代笔署名发表、未经核查的事实引用、他人未授权内容改写

专业技术岗位（研发、财务、法务）：

• 可用于：代码注释生成、公式模板、格式规范化
• 不可用于：直接可投产的安全关键代码、报表数值生成、法律效力文件的条款撰写

3. 一个好的“关掉对话框”的习惯

在结束这部分之前，我想强调一个习惯：养成主动判断“现在该关掉 ChatGPT”的能力。

我自己给这个习惯起了个名字叫“关窗测试”，每次 ChatGPT 给出我想要的内容时，停三秒，问自己：这个结论有没有我不会验证的部分？如果有，找到验证方法之前不要采用。如果不能独立审核 AI 的输出，就不该在这个任务上使用 AI。

这不是对 AI 的敌意，恰恰是对它最好的尊重。知道一个工具什么时候不能用的使用者，才能真正用好这个工具。

结尾

写到这里，我想回到开头的那个比喻。ChatGPT 是一个读过全世界所有书、但从来没出过家门的书呆子。你让它帮你头脑风暴，它会迸发灵感；你让它整理格式，它会一丝不苟；你让它润色表达，它会妙笔生花。但当你需要判断这一笔落下之后的真实后果，它无能为力。

这不是它的缺陷，这是它的定义。语言模型解决的是语言问题，不是现实问题。

过去一年半，我看到太多人因为对它的过度信任而翻车，也看到另一些人因为一次翻车就全盘否定它。这两种态度，本质上都是对工具的误读。真正成熟的使用者，是在充分了解一个工具边界的前提下，把它用到极致。

下一步怎么做，我给你三个具体动作：

第一，拿着这篇文章里提到的场景分类，把你过去一周使用 ChatGPT 的任务列出来，逐个判断是不是踩到了“禁区”。 你可能惊讶地发现自己某几个习惯值得警惕。

第二，建立你自己的“不可用清单”。 我的清单是基于我的职业和经历，你的清单应该基于你的领域和容错空间。把那些“错了就晚了”的任务写上去，贴在桌面上。

第三，把 ChatGPT 的角色从“答案提供者”改为“提问放大器”。 这是我今年最大的认知转变。不要只问它“告诉我答案是什么”，也试着问它“在这个问题上，有哪些角度是我可能忽略的”“我的假设可能有什么盲区”。后者的价值，往往比前者大得多。

最后一句话，也是我写这篇文章时反复对自己说的：在需要为真实后果负责的地方，永远不要用一个不承担后果的工具来替你思考。